Pratama, Wayan Andre (2026) Komparasi Metode Random Forest dan Light Gradient Boost Machine dalam Diagnosa Penyakit Nyeri Akut dengan Penerapan SMOTE pada Dataset Pakar. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101040-COVER.pdf Download (553kB) |
|
Text (ABSTRAK)
2229101040-ABSTRAK.pdf Download (195kB) |
|
Text (BAB 1 PENDAHULUAN)
2229101040-BAB 1 PENDAHULUAN.pdf Download (371kB) |
|
Text (BAB 2 KAJIAN TEORI)
2229101040-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (479kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2229101040-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (683kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101040-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (511kB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2229101040-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (339kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101040-DAFTAR PUSTAKA.pdf Download (344kB) |
|
Text (LAMPIRAN)
2229101040-LAMPIRAN.pdf Download (27MB) |
Abstract
Penelitian ini bertujuan untuk membandingkan performa metode Random Forest dan Light Gradient Boosting Machine (LightGBM) dalam mendiagnosis penyakit nyeri akut, serta mengevaluasi pengaruh penerapan Synthetic Minority Over-sampling Technique (SMOTE) dalam menangani ketidakseimbangan kelas data, mengingat penanganan awal nyeri akut yang kurang optimal seringkali memicu masyarakat melakukan swamedikasi yang berisiko menimbulkan kesalahan penggunaan obat. Penelitian kuantitatif komparatif ini dilaksanakan di Universitas Pendidikan Ganesha, menggunakan dataset berjumlah 2.722 data yang dibangkitkan dari sistem pakar berdasarkan kerangka asesmen nyeri PQRST. Dataset mencakup 36 fitur gejala dan 9 kelas diagnosis nyeri akut, divalidasi secara menyeluruh (100%) oleh pakar medis (Penata Anestesi) sebagai bukti validitas instrumen, meskipun reliabilitas antar-penilai belum dapat diuji karena keterbatasan jumlah pakar yang terlibat. Data dibagi menjadi data latih dan data uji dengan proporsi 80:20 menggunakan stratified sampling, kemudian dianalisis menggunakan metrik akurasi, precision, recall, F1-score, dan AUC-ROC pada skenario tanpa SMOTE serta dengan SMOTE menggunakan parameter k_neighbors 1 dan 5. Hasil penelitian menunjukkan LightGBM secara konsisten mengungguli Random Forest pada seluruh skenario, dengan akurasi tertinggi pada kondisi SMOTE k_neighbors=5 (80,73%), diikuti tanpa SMOTE (80,37%), sementara Random Forest mencapai akurasi tertinggi 75,23%. Evaluasi SMOTE menunjukkan pengaruh tidak konsisten, dengan k_neighbors=1 menurunkan performa kedua model akibat mekanisme interpolasi yang kurang optimal pada fitur kategorikal. Analisis lebih lanjut mengungkapkan mayoritas kesalahan klasifikasi terjadi antar jenis nyeri pada tingkat keparahan yang sama. Disimpulkan bahwa LightGBM merupakan metode yang lebih optimal untuk klasifikasi diagnosis nyeri akut, dan penelitian selanjutnya disarankan melibatkan lebih dari satu pakar guna menguji reliabilitas antar-penilai.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Dataset Pakar, LightGBM, Nyeri Akut, Random Forest, SMOTE |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Wayan Andre Pratama |
| Date Deposited: | 12 Aug 2026 02:26 |
| Last Modified: | 12 Aug 2026 02:26 |
| URI: | http://repo.undiksha.ac.id/id/eprint/32534 |
Actions (login required)
 |
View Item |